BayPrAnoMeta: 工業用画像の少数ショット異常検知に向けたベイズ的アプローチ
TL;DRBayPrAnoMetaは、ラベル付き欠陥データが極端に少ない工業用画像の異常検知に向けた新しい手法である。Proto-MAMLをベイズ的に拡張し、タスク固有の確率的モデルと事後予測尤度による適応を導入した。MVTec ADベンチマークにおいて、従来手法と比較し、少数のサンプルのみを用いた異常検知で一貫して高いAUROCを達成している。
Cog AI Archive
最新の記事
人気記事ピックアップ
RedSage: サイバーセキュリティに特化した汎用LLM
TL;DRRedSageは、プライバシーリスクを回避しつつ多様なセキュリティ業務を支援するために開発された、オープンソースのサイバーセキュリティ特化型LLMである。118億トークンの専門データによる事前学習と、エージェントベースのパイプラインで生成された26.6万件の指示データによる調整を経て、既存モデルを上回る性能を実現した。
正則化$f$-ダイバージェンス・カーネル検定
TL;DR$f$-ダイバージェンス族を用いた実用的なカーネルベースの2標本検定フレームワークを提案。正則化変分表現のウィットネス関数をカーネル法で推定し、ハイパーパラメータに適応的な検定を実現する。特にホッケースティック・ダイバージェンスに注目し、差分プライバシー監査や機械学習の忘却（Machine Unlearning）評価への応用を示す。
条件付き分位点対比（CQC）の直接的かつ二重にロバストな推定法
TL;DR条件付き処置効果（HTE）分析において、共変量と未処置応答の両方を条件とする「条件付き分位点対比（CQC）」の初めての直接推定法が提案されました。従来の間接的な手法とは異なり、CQCを直接モデル化することで解釈性を高め、理論的にも二重にロバストな性質を維持しつつ、推定精度を向上させています。
反復関数系としての深層ニューラルネットワークおよび汎化誤差限界
TL;DR深層ニューラルネットワーク（DNN）を確率的な反復関数系（IFS）として捉え直す新しい理論的枠組みが提案されました。この視点により、モデルの安定性を数学的に保証し、生成モデルにおける汎化性能のバウンド（限界）を導出しています。さらに、この理論に基づく新しい学習目的関数を提案し、画像データセットでその有効性を検証しています。
ユーザー編集からのLLMの原理に基づいたファインチューニング：選好、教師あり、報酬のメドレー
TL;DRLLMベースの執筆支援などで自然発生する「コンテキスト、エージェントの応答、ユーザーの編集」からなるデータを用いたファインチューニング手法の研究。選好、教師ありラベル、コストという異なるフィードバックを統合し、アンサンブル学習することで、個別の手法よりも優れた性能とロバスト性を示した理論的かつ実証的な研究である。
線形オフポリシー評価におけるカバレッジの統一的視点
TL;DR強化学習の基本タスクであるオフポリシー評価（OPE）において、線形実現可能性のみを仮定する最小設定下での最適なカバレッジ（網羅性）定義を提案した研究。正準的なアルゴリズムであるLSTDQの新しい有限標本解析を通じ、「特徴ダイナミクスカバレッジ」という概念を導入し、既存設定との統一的な理解を実現した。
FSD-CAP：グラフ特徴量補完のためのクラス認識型伝播を用いた部分的サブグラフ拡散
TL;DRグラフデータにおけるノード特徴量の欠損問題、特に99.5%という極端な欠損率に対処する新手法「FSD-CAP」が提案された。グラフ距離に基づく局所的な分数拡散と、クラス情報を考慮した伝播を組み合わせることで、完全なデータを用いた場合のGCNに近い精度を達成し、大規模データやヘテロフィリーグラフでも優れた性能を示した。
RealStats：偽画像検出のための実画像のみを用いた統計的フレームワーク
TL;DR生成モデルの進化に伴い、AI生成画像の検知は重要課題である。既存手法は解釈可能性や分布の変化への堅牢性に課題があった。本研究は、学習不要で実画像分布との整合性を統計的に評価する「RealStats」を提案。複数の統計量をp値として統合し、実画像集団に対する解釈可能な確率スコアを提供する汎用的なフレームワークである。
文埋め込みを用いたカーネル変化点検出による教師なしテキストセグメンテーション
TL;DRラベル付けコストが高くドメイン転移が困難なテキスト分割において、学習不要の新手法「Embed-KCPD」が提案されました。文埋め込みとカーネル変化点検出（KCPD）を組み合わせ、言語データ特有の依存関係を考慮した初の理論的裏付けを提供します。LLMを用いた合成データ実験やベンチマークで高い性能と信頼性を実証しました。
説明可能なブースティングマシンのための統計的推論
TL;DRExplainable Boosting Machines (EBMs) において、計算負荷の高いブートストラップ法を使わずに不確実性を定量化する新しい手法が提案されました。Boulevard正則化を用いることで、各特徴量の単変量関数に対する信頼区間や予測区間をデータ数に依存しない時間で構築可能となり、説明可能性がさらに向上しました。
保存済みの記事がまだありません。
読み込み中…